1 Introduktion och sammanfattning

1.1 Introduktion

1.2 NOTERA: denna fil är ej uppdaterad

Senaste versionen av analyserna återspeglas ej av denna sammanfattning. Detta meddelande kommer raderas när sammanfattningen är uppdaterad.

Målsättningen med de analyser som gjorts har varit att:

1. Genomföra en mätteknisk och psykometrisk analys av befintliga enkätdata i Stockholmsenkäten med fokus på utveckling av index i Stockholmsenkäten baserade på risk- och skyddsfaktorer. Dataunderlaget bygger primärt på insamlade data från 2006, 2010, 2014, 2016, 2018 och 2020, samt i möjlig mån kommande data från 2022 (data från 2022 blev ej tillgängliga).
2. Fastställa mätegenskaper för att bedöma vilka indikatorer som kan bilda ett index, hur god mätprecision indexet har för att urskilja skillnader över tid eller mellan grupper, och huruvida index är lämpliga för att göra jämförelser mellan olika grupper (t.ex. könsskillnader) och över tid.

Utifrån kunskapssammanställningen om risk- och skyddsfaktorer för barn och unga (Johansson 2021) har vi strävat efter att identifiera centrala faktorer utifrån kontexterna Individ, Familj, Skola, Kamrater och fritid, och Närsamhälle. Syftet är att ta fram index som kan redovisas på en skala, för att möjliggöra mera finkorniga analyser och jämförelser än vad som är möjligt utifrån enstaka frågor eller index som endast består av 3-4 frågor. Det medför också att antalet index/faktorer som tas fram är lägre än vad som ofta redovisas utifrån Stockholmsenkäten.

1.2.1 Items som ingått i analysen

Övergripande indexbeskrivning	Itembeteckningar i datafil
Psykiska/psykosomatiska besvär	F88-F99
Individfaktorer	f66a-u
Prosocialt index	F70, f86a c f
Skola	f54a-r, f56
Närsamhälle	F100, f101a-l
Kamrater	f86b d e ghij
Föräldraskap	F82, f83a-h
Föräldrakontroll	F79-81

1.2.2 Psykometriska kriterier

Texten nedan kommer från RISE rapport till MFoF om uppföljning av föräldraskapsstöd (Preuter, Johansson, and Bokström 2022):

När enkäter konstrueras och utvärderas bedöms dess psykometriska egenskaper, ofta kopplade till begreppen reliabilitet och validitet. Förenklat kan man säga att reliabilitet beskriver hur väl något mäts (vilken precision mätverktyget har), medan validitet beskriver hur väl innehållet i frågorna och svarskategorierna fångar det man avser att mäta. Dock råder i allmänhet oklara definitioner av begreppen och kriterier för huruvida dessa mätegenskaper uppfylls eller inte. Det medför att även enkäter som i forskningsartiklar beskrivs som “validerade” eller att de har “god reliabilitet” inte nödvändigtvis uppfyller vad som kan anses vara grundläggande kriterier. En mera omfattande beskrivning av de grundläggande psykometriska kriterierna återfinns i Bilaga 3 (separat dokument). Nedan listas kriterierna. Var och en av dem kräver psykometrisk analys av insamlade data för att bedöma.

Lista över grundläggande psykometriska kriterier:

• Svarskategorierna fungerar som avsett
• Frågorna fungerar likadant för olika grupper (kön, ålder, etc)
• Unidimensionalitet (utan för starkt korrelerade residualer)
• Frågornas svårighetsgrad passar målgruppens egenskaper/förmågor
• Reliabilitet/mätosäkerheter över skalans omfång är adekvat, sett till användningsområdet
• Omvandlingstabell till intervallskala

Kriterierna ovan är ställda för att säkerställa att det är lämpligt att använda summapoäng från en enkät/skala. Summapoängen bör i sin tur användas tillsammans med en omvandlingstabell till intervallskala innan några statistiska eller matematiska beräkningar görs. Tyvärr är det mycket vanligt att forskningsstudier enbart redovisar Cronbach’s alpha som ett mått på reliabilitet och/eller kvalitet på en enkät. Det är dessvärre gravt otillräckligt för att bedöma mätegenskaper hos ett mätverktyg, eftersom Cronbach’s alpha inte ger information om något av kriterierna ovan.

Mer om psykometri och mätegenskaper finns att läsa i bilaga 3 (separat dokument) och exempelvis i RISE publikation om mätning av mjuka värden (Johansson, Svensson, and Melin 2021).

1.2.3 Noteringar om analysprocessen

Inom varje område har samtliga frågor/items lagts in i analysen. Ambitionen har varit att först ta fram ett index med så goda mätegenskaper som möjligt, och att enbart eliminera items som varit tydligt problematiska utifrån de psykometriska kriterierna. Gällande Individfaktorer och Skola finns det ytterligare utrymme att minska antalet items och ändå ha acceptabel reliabilitet. I vissa fall har det gått att ur ett frågeområde ta fram mer än ett index med acceptabel reliabilitet.

Samtliga index som redovisas i denna sammanfattning har uppfyllt alla kriterier beskrivna ovan. För att hålla en rimlig detaljnivå presenterar vi enbart figurer som visar reliabilitet och “targeting” (hur frågorna passar respondenterna), eftersom dessa hänger samman och även är relevanta för eventuella framtida reduktioner i items.

Ett vanligt problem i analyserna är för stora residualkorrelationer. Det innebär att par av items är för lika varandra och inte enskilt medför tillräckligt mycket unik information till indexet. I stället finns risk för att indexvärden skulle bli oproportionerligt påverkade om båda items behålls i indexet.

Ett index, “Kamrater och fritid”, håller för dålig kvalitet för att kunna användas som indexvärde. Det kan vara möjligt att skapa enklare nyckeltal utifrån items, som enbart återger nivåerna hög risk/låg risk. Arbete pågår för att utröna detta.

För att vara konsekvent i detta skede har samtliga frågor och index “vänts” så att en högre poäng medför högre risk, trots att vissa index representerar skyddsfaktorer. Genomgående är frågorna bättre på att mäta högre nivåer av risk än lägre nivåer av risk.

Detta dokument sammanfattar resultatet av varje indexområdes analysprocess. Hela analysdokument för varje indexområde kommer att tillgängliggöras för granskning, inklusive källkoden som visar hur analyserna gjorts, vilket möjliggör oberoende granskning.

Om frågor eller oklarheter uppstår längs läsningen rekommenderas i första hand nedladdning och läsning av introduktionen i Bilaga 3 till ovan nämnda MFoF-rapport (direkt länk till PDF-fil).

1.3 Individfaktorer (normbrytande)

21 items/frågor med etiketter f66a-f66u i datafilen, och motsvaras av fråga 67 i PDF-filen med frågor.

“Hur väl stämmer följande påståenden in på dig som person?” följs av de ingående frågorna, alla med samma fyra svarskategorier:

• ‘Stämmer mycket dåligt’
• ‘Stämmer ganska dåligt’
• ‘Stämmer ganska bra’
• ‘Stämmer mycket bra’

Svarskategorierna ersätts med siffror från 0 till 3, och för f66h, m, p och u är siffrorna omvända/reverserade, d.v.s. att “Stämmer mycket bra” kodas som “0” i stället för “3” till analysen. Det innebär att höga poäng genomgående innebär hög risk.

1.3.1 Lista på samtliga items

itemnr	item
f66a	Jag gör tvärt emot vad människor säger åt mig att göra, bara för att göra dem arga.
f66b	Jag gillar att göra spännande och farliga saker, även om det är förbjudet.
f66c	Jag tål inte att bli provocerad, då kan jag slå till någon.
f66d	Jag ljuger för att få fördelar eller slippa göra jobbiga saker.
f66e	Om jag blir arg på någon drar jag mig inte för att skada honom/henne.
f66f	Jag är ofta ute på natten tillsammans med kamrater.
f66g	Jag struntar i regler som hindrar mig från att göra det jag vill göra.
f66h	Jag tycker det är roligt att lösa svåra problem och uppgifter.
f66i	Jag ser mig själv som en ganska impulsiv person.
f66j	Jag vill gärna vara där det händer spännande saker.
f66k	Jag kan få andra att tro på nästan vad som helst.
f66l	Jag blir ofta osäker när jag ställs inför nya uppgifter.
f66m	Jag tänker oftast efter innan jag talar eller gör saker.
f66n	Jag gör dumma saker även om de är lite farliga.
f66o	Jag vill gärna se hur långt jag kan gå innan folk får nog.
f66p	Det är fel att fuska i skolan.
f66q	Jag tycker att det är OK att ta något utan att fråga, om man inte blir upptäckt.
f66r	Det händer att jag gör saker utan att tänka mig för.
f66s	Om jag ställs inför en svår uppgift så väljer jag att göra något annat.
f66t	Den som gör mig arg ger jag mig på, även om han/hon inte slagit mig först.
f66u	Det är viktigt att vara ärlig mot föräldrarna, även om de blir arga.

I listan ovan är kvarstående items markerade med färg.

Rödmarkerade items utgör index “Normbrytande”. Det är möjligt att göra ytterligare reduktion av frågor och ändå ha adekvat reliabilitet/mätprecision, men detta har ännu inte fastställts.

Grönmarkerade items utgör en positiv individfaktor, som vi inte satt någon rubrik på ännu, eller bestämt hur/om den ska användas. Reliabiliteten är betydligt sämre än för Normbrytande (se längre ner).

1.3.2 Item som tagits bort

1.3.2.1 Svarskategorier som åtgärdats

f66p uppvisade proble med svarskategorierna, och de två mittersta kategorierna slogs samman.

1.3.2.2 Item-eliminering

Items som eliminerats, samtliga utifrån att de varit för lika en annan fråga, och kortfattad förklaring:

• f66a (sämre targeting)
• f66e (problem med svarskategorier)
• f66b (har två korrelationer, samt lägre fit)
• f66t (sämst targeting)

1.3.3 Reliabilitet

De streckade linjerna i figuren nedan motsvarar reliabilitet på 0.7 (nedre linjen) och 0.8, på en skala från 0 till 1. Att dessa värden indikeras i figuren beror på att konventionen är att 0.7 är den lägsta nivån som anses acceptabel. Helst bör så många respondenter som möjligt finnas inom det område där indexet/enkätfrågorna sammantaget uppnår reliabilitet på 0.7 eller högre. Figurtexten ger viktig information om hur reliabiliteten förhåller sig till respondenterna.

Det är viktigt att visa reliabilitet som en kurva snarare en ett enskilt värde (som t.ex. Cronbach’s alpha), eftersom reliabiliteten aldrig är samma över hela skalan.

Normbrytande

Positiv individfaktor

1.3.3.1 Kort kommentar

När det gäller Normbrytande ser vi att över 90% av respondenterna har ett indexvärde som finns inom området där reliabiliteten överstiger 0.7, vilket är mycket bra.

Siffran är dock bara 45% gällande “positiv individfaktor”, och snedfördelat så att den mäter bättre bland de som har en högre nivå av risk (lägre värden på positiv individfaktor).

1.3.4 Targeting

Denna figur visar hur väl items passar respondenterna (de som besvarat enkätfrågorna). Överst syns respondenternas indexvärden, där högre värden (till höger) motsvarar högre risk.

Nederst finns frågornas tröskelvärden (gränsvärden mellan svarskategorierna), och i mitten finns antalet tröskelvärden sammanräknade i staplar. De två översta visar även genomsnittsvärde för respondenter och item-trösklar med en streckad vertikal linje. I idealfallet ligger medelvärden nära varandra, och de rosa och mörkgrå staplarna matchar varandra spegelvänt. Skulle de i stället ligga långt från varandra passar frågorna inte respondenterna.

Targeting är även användbart när item-reduktion är önskvärt, eftersom det framgår tydligt var det finns överskott/underskott av item-trösklar.

Normbrytande

Positiv individfaktor

Items

itemnr	item
f66c	Jag tål inte att bli provocerad, då kan jag slå till någon.
f66d	Jag ljuger för att få fördelar eller slippa göra jobbiga saker.
f66f	Jag är ofta ute på natten tillsammans med kamrater.
f66g	Jag struntar i regler som hindrar mig från att göra det jag vill göra.
f66h	Jag tycker det är roligt att lösa svåra problem och uppgifter.
f66i	Jag ser mig själv som en ganska impulsiv person.
f66j	Jag vill gärna vara där det händer spännande saker.
f66k	Jag kan få andra att tro på nästan vad som helst.
f66l	Jag blir ofta osäker när jag ställs inför nya uppgifter.
f66m	Jag tänker oftast efter innan jag talar eller gör saker.
f66n	Jag gör dumma saker även om de är lite farliga.
f66o	Jag vill gärna se hur långt jag kan gå innan folk får nog.
f66p	Det är fel att fuska i skolan.
f66q	Jag tycker att det är OK att ta något utan att fråga, om man inte blir upptäckt.
f66r	Det händer att jag gör saker utan att tänka mig för.
f66u	Det är viktigt att vara ärlig mot föräldrarna, även om de blir arga.

1.3.4.1 Kort kommentar

Vi kan se att båda index har fler svarströsklar (mer information om respondenterna) en bit högre upp än de flesta respondenter befinner sig, vilket innebär att de har bättre mätprecision för högre risknivåer än för lägre risknivåer.

1.4 Skola

Item/frågor har etiketter f54a-f54r i datafilen, och motsvaras av fråga 55 i PDF-filen med frågor.

“Hur väl stämmer följande påståenden in på dig din skolsituation?” följs av de ingående frågorna, alla med samma svarskategorier:

• ‘Stämmer mycket dåligt’
• ‘Stämmer ganska dåligt’
• ‘Stämmer ganska bra’
• ‘Stämmer mycket bra’

Items F65a b c gäller senaste betyg (Streck eller A-F) för svenska, engelska och matematik. Vi antar att frågorna om betyg inte lämpar sig att utgöra index tillsammans med andra frågor, eftersom de är av skild karaktär, så de utelämnas i denna analys.

F55, 56 och 59 angår hur ofta något hänt under senaste läsåret, med svarskategorier enligt nedan. Svarskategorierna har ersatts med värden 0-5, där 0 = Nej, för att bibehålla att hög poäng = hög risk.

Det visade sig att F55, 56 och 59 korrelerade alltför mycket med varandra, och uppvisade omfattande problem med svarskategorierna, så de har exkluderats ur analysen nedan.

1.4.1 Lista på samtliga items

itemnr	item
f54a	Jag vet vilka regler som gäller på den här skolan.
f54b	Jag trivs bra i skolan.
f54c	Vi elever är med och planerar vad vi skall göra i undervisningen.
f54d	Lärarna berömmer elever som gör något bra i skolan.
f54e	Det är hög ljudnivå och stökigt på lektionerna.
f54f	Skolarbetet känns meningslöst.
f54g	Vi elever får vara med och bestämma över saker som är viktiga för oss.
f54h	Lärarna förklarar vad vi får och vad vi inte får göra.
f54i	I början av lektionerna tar det minst fem minuter innan arbetet kan börja
f54j	Skolan berättar för mina föräldrar om jag gjort något bra.
f54k	Elevernas åsikter tas inte på allvar i den här skolan.
f54l	Vuxna ingriper om någon blir trakasserad eller mobbad.
f54m	Mina lärare ger mig inget beröm om jag jobbar hårt.
f54n	Jag ser fram emot att gå till lektionerna.
f54o	Jag är orolig för att utsättas för brott i skolan. (t.ex. stöld, misshandel etc)
f54p	De flesta av mina lärare har intressant undervisning.
f54q	Skolarbetet gör mig förvirrad.
f54r	Om man inte förstår får man direkt hjälp av läraren.
F55	Har du varit borta från skolan det här läsåret därför att du var sjuk eller mådde dåligt?
F56	Har du skolkat en hel dag från skolan det här läsåret?
F59	Har du fuskat på läxförhör eller prov i skolan det här läsåret?
F65a	Vad hade du för betyg förra terminen (senast) i svenska?
F65b	Vad hade du för betyg förra terminen (senast) i engelska?
F65c	Vad hade du för betyg förra terminen (senast) i matematik?
F61	Hur ofta har du blivit mobbad eller trakasserad i skolan det här läsåret?

Skolfrågorna fungerar bäst som två olika index.

Grönmarkerade items i tabellen ovan bildar “Positiv skolanknytning”, medan de rödmarkerade bildar “Vantrivsel i skolan”.

1.4.2 Item som tagits bort

1.4.2.1 Svarskategorier som åtgärdats:

• f54a och b - vi slår ihop de två högsta kategorierna (2 och 3)
• f54o - vi slår ihop mittenkategorierna (1 och 2)

1.4.2.2 Item-eliminering “positiv skolanknytning”

Eliminering utifrån item-par som är för starkt korrelerade:

• f54c och g, “eleverna är med och planerar/bestämmer”, (g är bredare, medbestämmande även utanför undervisningen, och det är inte helt uppenbart att elever ska vara med och bestämma över undervisningen)
• f54p och n, “ser fram emot lektionerna/intressant undervisning”, (p har något sämre MSQ och targeting än n)

1.4.2.3 Item-eliminering “vantrivsel i skolan”

Alla items fungerar, ingen har tagits bort.

1.4.3 Reliabilitet

De streckade linjerna i figuren nedan motsvarar reliabilitet på 0.7 (nedre linjen) och 0.8, på en skala från 0 till 1. Att dessa värden indikeras i figuren beror på att konventionen är att 0.7 är den lägsta nivån som anses acceptabel. Helst bör så många respondenter som möjligt finnas inom det område där indexet/enkätfrågorna sammantaget uppnår reliabilitet på 0.7 eller högre. Figurtexten ger viktig information om hur reliabiliteten förhåller sig till respondenterna.

Det är viktigt att visa reliabilitet som en kurva snarare en ett enskilt värde (som t.ex. Cronbach’s alpha), eftersom reliabiliteten aldrig är samma över hela skalan.

Positiv skolanknytning

Vantrivsel i skolan

1.4.4 Targeting

Denna figur visar hur väl items passar respondenterna (de som besvarat enkätfrågorna). Överst syns respondenternas indexvärden, där högre värden (till höger) motsvarar högre risk.

Nederst finns frågornas tröskelvärden (gränsvärden mellan svarskategorierna), och i mitten finns antalet tröskelvärden sammanräknade i staplar. De två översta visar även genomsnittsvärde för respondenter och item-trösklar med en streckad vertikal linje. I idealfallet ligger medelvärden nära varandra, och de rosa och mörkgrå staplarna matchar varandra spegelvänt. Skulle de i stället ligga långt från varandra passar frågorna inte respondenterna.

Targeting är även användbart när item-reduktion är önskvärt, eftersom det framgår tydligt var det finns överskott/underskott av item-trösklar.

Positiv skolanknytning

Något ser ut att ha blivit fel gällande f54a och. Kommer åtgärdas i nästa version.

Vantrivsel i skolan

Items

itemnr	item
f54a	Jag vet vilka regler som gäller på den här skolan.
f54b	Jag trivs bra i skolan.
f54d	Lärarna berömmer elever som gör något bra i skolan.
f54e	Det är hög ljudnivå och stökigt på lektionerna.
f54f	Skolarbetet känns meningslöst.
f54g	Vi elever får vara med och bestämma över saker som är viktiga för oss.
f54h	Lärarna förklarar vad vi får och vad vi inte får göra.
f54i	I början av lektionerna tar det minst fem minuter innan arbetet kan börja
f54j	Skolan berättar för mina föräldrar om jag gjort något bra.
f54k	Elevernas åsikter tas inte på allvar i den här skolan.
f54l	Vuxna ingriper om någon blir trakasserad eller mobbad.
f54m	Mina lärare ger mig inget beröm om jag jobbar hårt.
f54n	Jag ser fram emot att gå till lektionerna.
f54o	Jag är orolig för att utsättas för brott i skolan. (t.ex. stöld, misshandel etc)
f54q	Skolarbetet gör mig förvirrad.
f54r	Om man inte förstår får man direkt hjälp av läraren.

1.5 Psykiska/psykosomatiska besvär

Item/frågor har etiketter F88-F99 i datafilen, och motsvaras av fråga 90-101 i PDF-filen med frågor.

Samtliga frågor har fem svarskategorier, vilka varierar mellan frågorna. Fem frågor har svarskategorier från “Aldrig” till “Flera gånger i veckan”. Sex frågor har från “Sällan” till “Väldigt ofta”, och en från “Inte alls” till “Väldigt mycket”.

Svarsdata har kodats så att högre poäng innebär mera besvär/högre risk.

Sektionen i enkäten inleds med meningen: “NÅGRA FRÅGOR OM HUR DU MÅR”.

1.5.1 Lista på samtliga items

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F89	Känner du dig ledsen och deppig utan att veta varför?
F90	Händer det att du känner dig rädd utan att veta varför?
F91	Hur ofta har du dålig aptit?
F92	Hur mycket skulle du vilja ändra på dig själv?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F94	Hur ofta tycker du att du inget duger till?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F96	Är du nöjd med ditt utseende?
F97	Känner du dig slö och olustig?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?
F99	Hur ofta tycker du att det är riktigt härligt att leva?

Det är möjligt att skapa ett index med enbart psykosomatiska items som har acceptabel reliabilitet, bestående av “F88”,“F91”,“F93”,“F95”,“F98”. Vi behöver åtgärda svarskategorier för tre av dessa fem items:

• F91: 1+2 och 3+4
• F93 och F98: 3+4

Vi behöver åtgärda flera items:

• F89, 90, 96, 97: 1+2 och 3+4
• F92, 99: 3+4

1.5.2 Item som tagits bort

1.5.2.1 Svarskategorier som åtgärdats

Vi slår ihop följande svarskategorier

• För items 89, 90, 91, 94: 1 & 2 och 3 & 4
• För items 95, 97: 0 & 1
• För items 92, 93, 96, 98, 99: 3 & 4

1.5.2.2 Item-eliminering

• F90 har sämre targeting än F89 (och är en något märklig fråga)
• F96 har sämre targeting än F92
• F94 korrelerar med två andra items och tas bort.
• F89 ligger ovanför gränsvärdet för DIF för kön.

1.5.2.3 Item-reduktion

• F91 har bara två trösklar, vars location är där det finns gott om andra trösklar
• F98

1.5.3 Reliabilitet

De streckade linjerna i figuren nedan motsvarar reliabilitet på 0.7 (nedre linjen) och 0.8, på en skala från 0 till 1. Att dessa värden indikeras i figuren beror på att konventionen är att 0.7 är den lägsta nivån som anses acceptabel. Helst bör så många respondenter som möjligt finnas inom det område där indexet/enkätfrågorna sammantaget uppnår reliabilitet på 0.7 eller högre.

Det är viktigt att visa reliabilitet som en kurva snarare en ett enskilt värde (som t.ex. Cronbach’s alpha), eftersom reliabiliteten aldrig är samma över hela skalan.

1.5.4 Targeting

Denna figur visar hur väl items passar respondenterna (de som besvarat enkätfrågorna). Överst syns respondenternas indexvärden, nederst finns frågornas tröskelvärden (gränsvärden mellan svarskategorierna), och i mitten finns antalet tröskelvärden sammanräknade i staplar (histogram). De två översta visar även genomsnittsvärde för respondenter och item-trösklar med en röd streckad vertikal linje. I idealfallet ligger medelvärden nära varandra, och de rosa och mörkgrå staplarna matchar varandra spegelvänt. Skulle de i stället ligga långt från varandra passar frågorna inte respondenterna.

Targeting är även användbart när item-reduktion är önskvärt, eftersom det framgår tydligt var det finns överskott/underskott av item-trösklar.

Figur

Items

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F92	Hur mycket skulle du vilja ändra på dig själv?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F97	Känner du dig slö och olustig?
F99	Hur ofta tycker du att det är riktigt härligt att leva?

1.6 Föräldrafrågor

Item/frågor har etiketter F79-F82 samt f83a-h i datafilen, och motsvaras av fråga 81-84 samt 85 i PDF-filen med frågor.

Samtliga f83-frågor har fyra svarskategorier: “Stämmer mycket bra, Stämmer ganska bra, Stämmer ganska dåligt, Stämmer mycket dåligt”. Sektionen i enkäten inleds med meningen: “Hur väl stämmer följande påståenden in på hur dina föräldrar/vårdnadshavare är mot dig?”.

F79-81 har fyra svarsalternativ, som varierar med frågan, och F82 har bara två svarsalternativ (“Ja” eller “Nej”).

Svarsdata har kodats så att högre poäng innebär mera problem/högre “risk”. Svarsalternativet “Vet inte” har kodats som saknat svar.

En enkätfråga som vanligtvis inte ingår bland föräldrafrågorna har lagts till:

• F58 - “Hur skulle dina föräldrar reagera om du hade skolkat?”

Frågan har svarskategorier från De skulle reagera mycket kraftigt, till De skulle inte reagera alls, och har visat sig vara en nyckelkomponent för att få adekvat reliabilitet bland föräldrafrågorna.

1.6.1 Lista på samtliga items

itemnr	item
F79	Vet dina föräldrar/vårdnadshavare var du är när du är ute med kamrater på kvällar?
F80	Vet dina föräldrar/vårdnadshavare vilka kamrater du umgås med på din fritid?
F81	Vet dina föräldrar/vårdnadshavare vad du spenderar dina pengar på?
F82	Om du har ett personligt problem, kan du be någon av dina föräldrar/vårdnadshavare om hjälp?
f83a	De ger mig beröm när jag gör något bra.
f83b	De hotar med bestraffning för något jag gjort men genomför det inte.
f83c	De brukar uppmuntra och stötta mig.
f83d	Jag vet inte hur de reagerar när jag gjort något de inte gillar.
f83e	De märker när jag gör något bra.
f83f	Det humör de är på bestämmer hur de är mot mig.
f83g	Jag bryr mig om vad mina föräldrar/vårdnadshavare säger.
f83h	Mina föräldrar/vårdnadshavare är en förebild för mig.
F58	Hur skulle dina föräldrar reagera om du hade skolkat?

1.6.2 Item som tagits bort

1.6.2.1 Svarskategorier som åtgärdats

De två högsta svarskategorierna slås samman för items

• F79
• f83a, e, och g.

1.6.2.2 Item-eliminering 1

De största residualkorrelationerna är mellan:

• F79 och 80
• f83a, c och e

F79 och 80 har båda att göra med föräldrarnas vetskap om barnens förehavanden.

• F79 hade problem med svarskategorier och tas bort.

f83a c och e handlar alla om uppmuntran från föräldrarna. Största korrelationen är mellan a och c, där a har en mera specifik frågeställning. F83e har bättre targeting än de andra två, samt bättre fit, så den sparas.

• f83a och c tas bort
• f83h är korrelerad med tre andra item och tas bort.

1.6.2.3 Item-eliminering 2

Vi har tre item-par som fortfarande korrelerar över gränsvärdet 0.2:

• F80 och 81
• F82 och f83e
• f83e och g

Vi tar bort:

• F81 är en mindre relevant fråga än F80.
• F82 har bara en svarskategori, sämre targeting och låg outfit MSQ. f83e behålls.
• f83g har sämre targeting.

1.6.3 Reliabilitet

De streckade linjerna i figuren nedan motsvarar reliabilitet på 0.7 (nedre linjen) och 0.8, på en skala från 0 till 1. Att dessa värden indikeras i figuren beror på att konventionen är att 0.7 är den lägsta nivån som anses acceptabel. Helst bör så många respondenter som möjligt finnas inom det område där indexet/enkätfrågorna sammantaget uppnår reliabilitet på 0.7 eller högre. Figurtexten ger viktig information om hur reliabiliteten förhåller sig till respondenterna.

Det är viktigt att visa reliabilitet som en kurva snarare en ett enskilt värde (som t.ex. Cronbach’s alpha), eftersom reliabiliteten aldrig är samma över hela skalan.

1.6.4 Targeting

Denna figur visar hur väl items passar respondenterna (de som besvarat enkätfrågorna). Överst syns respondenternas indexvärden, nederst finns frågornas tröskelvärden (gränsvärden mellan svarskategorierna), och i mitten finns antalet tröskelvärden sammanräknade i staplar (histogram). De två översta visar även genomsnittsvärde för respondenter och item-trösklar med en röd streckad vertikal linje. I idealfallet ligger medelvärden nära varandra, och de rosa och mörkgrå staplarna matchar varandra spegelvänt. Skulle de i stället ligga långt från varandra passar frågorna inte respondenterna.

Targeting är även användbart när item-reduktion är önskvärt, eftersom det framgår tydligt var det finns överskott/underskott av item-trösklar.

Figur

Items

itemnr	item
F80	Vet dina föräldrar/vårdnadshavare vilka kamrater du umgås med på din fritid?
f83b	De hotar med bestraffning för något jag gjort men genomför det inte.
f83d	Jag vet inte hur de reagerar när jag gjort något de inte gillar.
f83e	De märker när jag gör något bra.
f83f	Det humör de är på bestämmer hur de är mot mig.
F58	Hur skulle dina föräldrar reagera om du hade skolkat?

1.7 Kamrater och fritid

Item/frågor har etiketter F70 samt f86a-j i datafilen, och motsvaras av fråga 71 respektive 88 i PDF-filen med frågor.

Bland dessa frågor ingår även “prosocialt index”, som består av fyra items: F70, F86a, c och f.

Samtliga f86-frågor har fyra svarskategorier: “Ingen, Någon enstaka, Ungefär hälften, De flesta”. Sektionen i enkäten inleds med meningen: “Hur många av dina kamrater (inom och utom skolan):”.

F70 har fyra svarsalternativ: “Ofta, Ibland, Sällan, Aldrig”.

Svarsdata har kodats så att högre poäng innebär mera problem/högre “risk”. Svarsalternativet “Vet inte” har kodats som saknat svar.

1.7.1 Lista på samtliga items

itemnr	item
F70	Brukar du delta i någon ledarledd fritidsaktivitet eller träning?
f86a	Motionerar och tränar regelbundet?
f86b	Har snattat/klottrat/vandaliserat?
f86c	Är med i någon förening?
f86d	Röker tobak?
f86e	Slåss?
f86f	Är duktiga i skolan?
f86g	Dricker sig berusad på alkohol?
f86h	Använder narkotika?
f86i	Skolkar?
f86j	Har rånat, gjort inbrott eller stulit en bil?

1.7.2 Kort om resultat

Analysen visar att items kan delas upp i negativa och positiva, men ingen av dem klarar av att bilda ett fungerande index med adekvat reliabilitet.

1.8 Närsamhälle

Frågorna heter F100 och f101a till f101l i datafilen, och överensstämmer med 102 och 103 i PDF-filen.

F100 ställer frågan “Om du går ut ensam sent en kväll i området där du bor, känner du dig då…” med svarsalternativen:

• Mycket trygg
• Ganska trygg
• Ganska otrygg
• Mycket otrygg
• Går ej ut på kvällen av oro för att utsättas för brott <— kodas som missing/NA pga ej användbart i ordinala data. Skulle ev. kunna ses som likvärdigt som Mycket Otrygg, eller som ännu “värre” (ordinalt ett steg över), men det är diskutabelt.
• Går ej ut på kvällen av andra orsaker <— kodas som missing/NA pga ej användbart i ordinala data. Det är alltför oklart vad “andra orsaker” är.

Ovanstående frågor kodas om till siffror 0-3, där hög siffra är Mycket otrygg.

f101-frågorna föregås av frågan “Hur väl stämmer följande påståenden in på ditt bostadsområde?”. Samtliga frågor har samma fyra svarskategorier:

• ‘Stämmer mycket dåligt’
• ‘Stämmer ganska dåligt’
• ‘Stämmer ganska bra’
• ‘Stämmer mycket bra’

Frågorna är blandat negativt och positivt formulerade, och vid omkodning från ovanstående svarskategorier till siffror 0-3 har positiva frågor vänts så att höga värden alltid innebär högre risk.

1.8.1 Lista på samtliga items

itemnr	item
F100	Om du går ut ensam sent en kväll i området där du bor, känner du dig då…
f101a	Vandalism (klotter, olaglig graffiti, förstörelse) är vanligt i bostadsområdet.
f101b	Om en vuxen såg mig göra något olagligt i mitt bostadsområde skulle nog mina föräldrar få reda på det.
f101c	Vuxna skulle ingripa om någon helt öppet försökte sälja narkotika till ungdomar.
f101d	Det finns personer som säljer narkotika i bostadsområdet.
f101e	På vardagskvällar finns det många berusade utomhus i bostadsområdet.
f101f	Så fort jag kan vill jag flytta till ett annat bostadsområde.
f101g	Det är ovanligt med våldsbrott (misshandel, rån, våldtäkt) i det här bostadsområdet.
f101h	Vuxna skulle ingripa om det blev ett slagsmål framför mitt hus.
f101i	Om jag blev rånad på en allmän plats i bostadsområdet skulle vuxna ingripa.
f101j	Mina grannar brukar heja/hälsa på mig när vi möts.
f101k	Jag trivs bra i mitt bostadsområde.
f101l	Om jag var tvungen att flytta skulle jag sakna bostadsområdet jag bor i.

1.8.2 Item som tagits bort

Vi har arbetat med två index utifrån frågorna om Närsamhälle, där det ena inte kunde uppnå adekvat reliabilitet, men det andra kunde det, även om reliabiliteten är låg och främst gäller de som har högre nivåer av risk.

1.8.2.1 Svarskategorier som åtgärdats

f101k och j har fått mittenkategorierna hopslagna.

1.8.2.2 Item-eliminering

Många items verkar beröra ungefär samma saker, vilket syns i residualkorrelationerna där det är många par av items som har höga värden.

• f101a med d och e (vandalism med narkotikaförsäljnin och många berusade utomhus på kvällarna)
• f101b och c (vuxen skulle ingripa vid olaglig handling/narkotikaförsäljning)
• f101c med h och i (vuxen skulle ingripa vid narkotikaförsäljning, och skulle ingripa vid slagsmål/rån)
• f101d med e (säljer narkotika/är berusade i området)
• f101h med i (vuxna skulle ingripa vid slagsmål/rån)
• f101j med k och l (trivsel), där k och l är starkast

1.8.3 Reliabilitet

De streckade linjerna i figuren nedan motsvarar reliabilitet på 0.7 (nedre linjen) och 0.8, på en skala från 0 till 1. Att dessa värden indikeras i figuren beror på att konventionen är att 0.7 är den lägsta nivån som anses acceptabel. Helst bör så många respondenter som möjligt finnas inom det område där indexet/enkätfrågorna sammantaget uppnår reliabilitet på 0.7 eller högre.

Det är viktigt att visa reliabilitet som en kurva snarare en ett enskilt värde (som t.ex. Cronbach’s alpha), eftersom reliabiliteten aldrig är samma över hela skalan.

1.8.4 Targeting

Denna figur visar hur väl items passar respondenterna (de som besvarat enkätfrågorna). Överst syns respondenternas indexvärden, nederst finns frågornas tröskelvärden (gränsvärden mellan svarskategorierna), och i mitten finns antalet tröskelvärden sammanräknade i staplar (histogram). De två översta visar även genomsnittsvärde för respondenter och item-trösklar med en röd streckad vertikal linje. I idealfallet ligger medelvärden nära varandra, och de rosa och mörkgrå staplarna matchar varandra spegelvänt. Skulle de i stället ligga långt från varandra passar frågorna inte respondenterna.

Targeting är även användbart när item-reduktion är önskvärt, eftersom det framgår tydligt var det finns överskott/underskott av item-trösklar.

Figur

Items

itemnr	item
f101b	Om en vuxen såg mig göra något olagligt i mitt bostadsområde skulle nog mina föräldrar få reda på det.
f101c	Vuxna skulle ingripa om någon helt öppet försökte sälja narkotika till ungdomar.
f101g	Det är ovanligt med våldsbrott (misshandel, rån, våldtäkt) i det här bostadsområdet.
f101i	Om jag blev rånad på en allmän plats i bostadsområdet skulle vuxna ingripa.
f101j	Mina grannar brukar heja/hälsa på mig när vi möts.
f101l	Om jag var tvungen att flytta skulle jag sakna bostadsområdet jag bor i.

1.9 Programvara som använts för att genomföra analyser och skapa denna rapport

Package	Version	Citation
arrow	10.0.0	Richardson et al. (2022)
base	4.2.2	R Core Team (2022)
car	3.1.1	Fox and Weisberg (2019)
cowplot	1.1.1	Wilke (2020)
eRm	1.0.2	Mair and Hatzinger (2007b); Mair and Hatzinger (2007a); Hatzinger and Rusch (2009); Rusch, Maier, and Hatzinger (2013); Koller, Maier, and Hatzinger (2015); Debelak and Koller (2019); Mair, Hatzinger, and Maier (2021)
formattable	0.2.1	Ren and Russell (2021)
ggrepel	0.9.2	Slowikowski (2022)
glue	1.6.2	Hester and Bryan (2022)
grateful	0.1.11	Rodríguez-Sánchez, Jackson, and Hutchins (2022)
HH	3.1.49	Heiberger and Holland (2004); Heiberger and Robbins (2014); Heiberger and Holland (2015); Heiberger (2022)
kableExtra	1.3.4	Zhu (2021)
knitr	1.41	Xie (2014); Xie (2015); Xie (2022)
matrixStats	0.63.0	Bengtsson (2022)
mirt	1.37.1	Chalmers (2012)
psych	2.2.9	Revelle (2022)
psychotree	0.16.0	Trepte and Verbeet (2010); Strobl, Wickelmaier, and Zeileis (2011); Strobl, Kopf, and Zeileis (2015); Komboz, Zeileis, and Strobl (2018); Wickelmaier and Zeileis (2018)
reshape	0.8.9	Wickham (2007)
RISEkbmRasch	0.1.8.1	Johansson (2023)
rmarkdown	2.19	Xie, Allaire, and Grolemund (2018); Xie, Dervieux, and Riederer (2020); Allaire et al. (2022)
tidyverse	1.3.2	Wickham et al. (2019)

1.10 Referenser

Allaire, JJ, Yihui Xie, Jonathan McPherson, Javier Luraschi, Kevin Ushey, Aron Atkins, Hadley Wickham, Joe Cheng, Winston Chang, and Richard Iannone. 2022. Rmarkdown: Dynamic Documents for r. https://github.com/rstudio/rmarkdown.

Bengtsson, Henrik. 2022. matrixStats: Functions That Apply to Rows and Columns of Matrices (and to Vectors). https://CRAN.R-project.org/package=matrixStats.

Chalmers, R. Philip. 2012. “mirt: A Multidimensional Item Response Theory Package for the R Environment.” Journal of Statistical Software 48 (6): 1–29. https://doi.org/10.18637/jss.v048.i06.

Debelak, Rudolf, and Ingrid Koller. 2019. “Testing the Local Independence Assumption of the Rasch Model With Q3-Based Nonparametric Model Tests.” Applied Psychological Measurement. https://doi.org/10.1177/0146621619835501.

Fox, John, and Sanford Weisberg. 2019. An R Companion to Applied Regression. Third. Thousand Oaks CA: Sage. https://socialsciences.mcmaster.ca/jfox/Books/Companion/.

Hatzinger, Reinhold, and Thomas Rusch. 2009. “IRT models with relaxed assumptions in eRm: A manual-like instruction.” Psychology Science Quarterly 51.

Heiberger, Richard M. 2022. HH: Statistical Analysis and Data Display: Heiberger and Holland. https://CRAN.R-project.org/package=HH.

Heiberger, Richard M., and Burt Holland. 2004. Statistical Analysis and Data Display: An Intermediate Course with Examples in S-Plus, R, and SAS. First. Springer-Verlag, New York. https://link.springer.com/book/10.1007/978-1-4757-4284-8.

———. 2015. Statistical Analysis and Data Display: An Intermediate Course with Examples in R. Second. Springer-Verlag, New York. https://link.springer.com/book/10.1007/978-1-4939-2122-5.

Heiberger, Richard M., and Naomi B. Robbins. 2014. “Design of Diverging Stacked Bar Charts for Likert Scales and Other Applications.” Journal of Statistical Software 57 (5): 1–32. https://doi.org/10.18637/jss.v057.i05.

Hester, Jim, and Jennifer Bryan. 2022. Glue: Interpreted String Literals. https://CRAN.R-project.org/package=glue.

Johansson, Magnus. 2021. Risk- och skyddsfaktorer vad vet vi och vad kan göras med kunskapen? RISE rapport 2022:34. Stockholm: RISE Research Institutes of Sweden. http://urn.kb.se/resolve?urn=urn:nbn:se:ri:diva-59175.

———. 2023. RISEkbmRasch: Psychometric Analysis in r with Rasch Measurement Theory. https://github.com/pgmj/RISEkbmRasch.

Johansson, Magnus, Hanna Svensson, and Jeanette Melin. 2021. Mätning av mjuka värden - hur får vi bra beslutsunderlag? RISE rapport 2022:35. Stockholm: RISE Research Institutes of Sweden. https://www.diva-portal.org/smash/record.jsf?dswid=3541.

Koller, Ingrid, Marco Johannes Maier, and Reinhold Hatzinger. 2015. “An Empirical Power Analysis of Quasi-Exact Tests for the Rasch Model: Measurement Invariance in Small Samples.” Methodology 11. https://doi.org/10.1027/1614-2241/a000090.

Komboz, Basil, Achim Zeileis, and Carolin Strobl. 2018. “Tree-Based Global Model Tests for Polytomous Rasch Models.” Educational and Psychological Measurement 78 (1): 128–66. https://doi.org/10.1177/0013164416664394.

Mair, Patrick, and Reinhold Hatzinger. 2007a. “CML based estimation of extended Rasch models with the eRm package in R.” Psychology Science 49.

———. 2007b. “Extended Rasch modeling: The eRm package for the application of IRT models in R.” Journal of Statistical Software 20. https://www.jstatsoft.org/v20/i09.

Mair, Patrick, Reinhold Hatzinger, and Marco Johannes Maier. 2021. eRm: Extended Rasch Modeling. https://cran.r-project.org/package=eRm.

Preuter, Marit, Magnus Johansson, and Tomas Bokström. 2022. Strukturer och indikatorer för uppföljning av föräldraskapsstöd. RISE rapport 2022:70. RISE Research Institutes of Sweden. http://urn.kb.se/resolve?urn=urn:nbn:se:ri:diva-59978.

R Core Team. 2022. R: A Language and Environment for Statistical Computing. Vienna, Austria: R Foundation for Statistical Computing. https://www.R-project.org/.

Ren, Kun, and Kenton Russell. 2021. Formattable: Create ’Formattable’ Data Structures. https://CRAN.R-project.org/package=formattable.

Revelle, William. 2022. Psych: Procedures for Psychological, Psychometric, and Personality Research. Evanston, Illinois: Northwestern University. https://CRAN.R-project.org/package=psych.

Richardson, Neal, Ian Cook, Nic Crane, Dewey Dunnington, Romain François, Jonathan Keane, Dragoș Moldovan-Grünfeld, Jeroen Ooms, and Apache Arrow. 2022. Arrow: Integration to ’Apache’ ’Arrow’. https://CRAN.R-project.org/package=arrow.

Rodríguez-Sánchez, Francisco, Connor P. Jackson, and Shaurita D. Hutchins. 2022. Grateful: Facilitate Citation of r Packages. https://github.com/Pakillo/grateful.

Rusch, Thomas, Marco Johannes Maier, and Reinhold Hatzinger. 2013. “Linear logistic models with relaxed assumptions in R.” In Algorithms from and for Nature and Life, edited by Berthold Lausen, Dirk van den Poel, and Alfred Ultsch. Studies in Classification, Data Analysis, and Knowledge Organization. New York: Springer. https://doi.org/10.1007/978-3-319-00035-0_34.

Slowikowski, Kamil. 2022. Ggrepel: Automatically Position Non-Overlapping Text Labels with ’Ggplot2’. https://CRAN.R-project.org/package=ggrepel.

Strobl, Carolin, Julia Kopf, and Achim Zeileis. 2015. “Rasch Trees: A New Method for Detecting Differential Item Functioning in the Rasch Model.” Psychometrika 80 (2): 289–316. https://doi.org/10.1007/s11336-013-9388-3.

Strobl, Carolin, Florian Wickelmaier, and Achim Zeileis. 2011. “Accounting for Individual Differences in Bradley-Terry Models by Means of Recursive Partitioning.” Journal of Educational and Behavioral Statistics 36 (2): 135–53. https://doi.org/10.3102/1076998609359791.

Trepte, Sabine, and Markus Verbeet, eds. 2010. Allgemeinbildung in Deutschland – Erkenntnisse Aus Dem SPIEGEL Studentenpisa-Test. Wiesbaden: VS Verlag.

Wickelmaier, Florian, and Achim Zeileis. 2018. “Using Recursive Partitioning to Account for Parameter Heterogeneity in Multinomial Processing Tree Models.” Behavior Research Methods 50 (3): 1217–33. https://doi.org/10.3758/s13428-017-0937-z.

Wickham, Hadley. 2007. “Reshaping Data with the Reshape Package.” Journal of Statistical Software 21 (12). https://www.jstatsoft.org/v21/i12/.

Wickham, Hadley, Mara Averick, Jennifer Bryan, Winston Chang, Lucy D’Agostino McGowan, Romain François, Garrett Grolemund, et al. 2019. “Welcome to the tidyverse.” Journal of Open Source Software 4 (43): 1686. https://doi.org/10.21105/joss.01686.

Wilke, Claus O. 2020. Cowplot: Streamlined Plot Theme and Plot Annotations for ’Ggplot2’. https://CRAN.R-project.org/package=cowplot.

Xie, Yihui. 2014. “Knitr: A Comprehensive Tool for Reproducible Research in R.” In Implementing Reproducible Computational Research, edited by Victoria Stodden, Friedrich Leisch, and Roger D. Peng. Chapman; Hall/CRC. http://www.crcpress.com/product/isbn/9781466561595.

———. 2015. Dynamic Documents with R and Knitr. 2nd ed. Boca Raton, Florida: Chapman; Hall/CRC. https://yihui.org/knitr/.

———. 2022. Knitr: A General-Purpose Package for Dynamic Report Generation in r. https://yihui.org/knitr/.

Xie, Yihui, J. J. Allaire, and Garrett Grolemund. 2018. R Markdown: The Definitive Guide. Boca Raton, Florida: Chapman; Hall/CRC. https://bookdown.org/yihui/rmarkdown.

Xie, Yihui, Christophe Dervieux, and Emily Riederer. 2020. R Markdown Cookbook. Boca Raton, Florida: Chapman; Hall/CRC. https://bookdown.org/yihui/rmarkdown-cookbook.

Zhu, Hao. 2021. kableExtra: Construct Complex Table with ’Kable’ and Pipe Syntax. https://CRAN.R-project.org/package=kableExtra.